論文の概要: AI Engram: In Search of Memory Traces in Artificial Intelligence
- arxiv url: http://arxiv.org/abs/2606.14997v1
- Date: Fri, 12 Jun 2026 22:36:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:32.566144
- Title: AI Engram: In Search of Memory Traces in Artificial Intelligence
- Title（参考訳）: AI Engram:人工知能におけるメモリトレースの検索
- Abstract要約: このような「AI電図」を識別するための幾何学的枠組みを導入する。
我々は、グローバルな絡み合ったパラメータから個々のメモリトレースを分離するクローズドフォーム推定器を導出する。
結果は、生物学的記憶と人工表現学習の理論を橋渡しする。
- 参考スコア（独自算出の注目度）: 19.383960470953145
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Memory formation is fundamental to intelligence, yet whether deep neural networks preserve identifiable memory traces analogous to biological memory units remains an open question. This work introduces a geometric framework to identify such "AI engrams" by formalizing the neuroscientific criteria of specificity, reactivation, sufficiency, and necessity into a constrained inverse problem. We derive a closed-form estimator that isolates individual memory traces from globally entangled parameters, and show that this biologically-derived solution corresponds to a natural gradient update on the parameter manifold. AI engrams enable surgical manipulation of learned knowledge: any subset of memories can be composed or erased through linear arithmetic, without iterative optimization. Experiments ranging from simple MLPs to LLMs demonstrate the causal validity and substantial scalability of AI engrams. Together, these results bridge theories of biological memory and artificial representation learning and offer geometric insight into how deep networks simultaneously support functional specificity within distributed storage.
- Abstract（参考訳）: メモリ形成はインテリジェンスの基本であるが、ディープニューラルネットワークが生物学的メモリユニットに類似した識別可能なメモリトレースを保存するかどうかは未解決のままである。
本研究は, 神経科学的な特異性, 再活性化, 十分性, 必要性の基準を制約された逆問題に定式化し, このような「AIエングラム」を識別する幾何学的枠組みを導入する。
我々は,グローバルな絡み合ったパラメータから個々のメモリトレースを分離する閉形式推定器を導出し,この生物学的に派生した解がパラメータ多様体上の自然な勾配更新に対応することを示す。
AIエングラムは、学習した知識の外科的操作を可能にする。任意の記憶のサブセットは、反復最適化なしで線形算術によって合成または消去することができる。
単純な MLP から LLM までの実験は、AI エングラムの因果的妥当性と相当な拡張性を実証している。
これらの結果は、生物記憶理論と人工表現学習を橋渡しし、ディープネットワークが分散ストレージ内の機能的特異性をどのように同時にサポートするかについての幾何学的洞察を提供する。
関連論文リスト
- Memory Is Not Always Needed: Characterizing Conditional Memory in Scientific Reasoning [22.364424301865856]
我々は、いつ、どこで、どの程度、条件記憶が科学的推論にどの程度参加すべきかを調査する。
生成前に利用可能なタスク固有の入力プロキシを用いて、メモリが活性化されているかどうかを判定する知識境界対応ルータを提案する。
我々のアプローチは、メモリ誘起回帰を抑えながら、有益なメモリコントリビューションをより一貫して維持する。
論文 参考訳（メタデータ） (2026-08-25T02:19:20Z) - AI Meets Brain: Memory Systems from Cognitive Neuroscience to Autonomous Agents [69.39123054975218]
メモリは過去と未来の重要なネクサスブリッジとして機能する。
自律エージェントに関する最近の研究は、認知神経科学に基づいて効率的な記憶を設計することに集中している。
論文 参考訳（メタデータ） (2025-12-29T10:01:32Z) - MemGen: Weaving Generative Latent Memory for Self-Evolving Agents [57.1835920227202]
本稿では,エージェントに人間的な認知機能を持たせる動的生成記憶フレームワークであるMemGenを提案する。
MemGenは、エージェントが推論を通して潜在記憶をリコールし、増大させ、記憶と認知の密接なサイクルを生み出すことを可能にする。
論文 参考訳（メタデータ） (2025-09-29T12:33:13Z) - Beyond Turing: Memory-Amortized Inference as a Foundation for Cognitive Computation [5.234742752529437]
本稿では,メモリの潜時サイクル上での認識を推論としてモデル化する形式的フレームワークとして,メモリ記憶推論(MAI)を紹介した。
我々は,MAIがMountcastleのUniversal Cortical Algorithmの基本的な基盤を提供することを示す。
人工知能の実現にMAIが与える深い影響について,簡潔に論じる。
論文 参考訳（メタデータ） (2025-08-19T15:10:26Z) - Engram Memory Encoding and Retrieval: A Neurocomputational Perspective [0.0]
エングラム理論は、長期記憶を支えるために物理的および生化学的変化を継続する神経細胞のスパース集団が存在していることを示唆している。
本稿では, 細胞性神経科学と計算モデルからの知見を合成し, エングラム研究における重要な課題に対処する。
それは、可塑性と空間的制約の相互作用から記憶効率、容量、安定性が現れることを示唆している。
論文 参考訳（メタデータ） (2025-06-02T13:30:39Z) - A Computational Model of Learning and Memory Using Structurally Dynamic Cellular Automata [0.0]
そこで本研究では,生物工学的手法に基づく学習と記憶の数学的・計算モデルを提案する。
実験結果から,1回のトレーニング実行後に報酬状態を再発見するために,モデルが最適に近い選択をすることができることがわかった。
論文 参考訳（メタデータ） (2024-12-20T17:26:17Z) - Heterogenous Memory Augmented Neural Networks [84.29338268789684]
ニューラルネットワークのための新しいヘテロジニアスメモリ拡張手法を提案する。
学習可能なメモリトークンをアテンション機構付きで導入することにより、膨大な計算オーバーヘッドを伴わずに性能を効果的に向上させることができる。
In-distriion (ID) と Out-of-distriion (OOD) の両方の条件下での様々な画像およびグラフベースのタスクに対するアプローチを示す。
論文 参考訳（メタデータ） (2023-10-17T01:05:28Z) - LOGICSEG: Parsing Visual Semantics with Neural Logic Learning and
Reasoning [73.98142349171552]
LOGICSEGは、神経誘導学習と論理推論をリッチデータとシンボリック知識の両方に統合する、全体論的視覚意味論である。
ファジィ論理に基づく連続的な緩和の間、論理式はデータとニューラルな計算グラフに基礎を置いており、論理によるネットワークトレーニングを可能にする。
これらの設計によりLOGICSEGは、既存のセグメンテーションモデルに容易に統合できる汎用的でコンパクトなニューラル論理マシンとなる。
論文 参考訳（メタデータ） (2023-09-24T05:43:19Z) - Unsupervised Learning of Invariance Transformations [105.54048699217668]
近似グラフ自己同型を見つけるためのアルゴリズムフレームワークを開発する。
重み付きグラフにおける近似自己同型を見つけるために、このフレームワークをどのように利用できるかについて議論する。
論文 参考訳（メタデータ） (2023-07-24T17:03:28Z) - The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。
ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。
本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
論文 参考訳（メタデータ） (2023-06-14T13:34:13Z) - Sequential Memory with Temporal Predictive Coding [6.228559238589584]
時空間予測符号化 (tPC) という, PC を用いた時空間メモリモデルを提案する。
我々のtPCモデルは、生物学的に妥当なニューラル実装を用いて、シーケンシャルな入力を正確に記憶し、取得できることを示します。
論文 参考訳（メタデータ） (2023-05-19T20:03:31Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。